14B检索能力超过Google Search，阿里ZeroSearch通过RL激发LLM检索推理能力~

有效的信息搜索对于提升 LLMs 的推理和生成能力至关重要。近期探索的强化学习（RL）方法面临两大主要挑战：（1）文档质量不可控：搜索引擎返回的文档质量往往是不可预测的；（2）高昂的API成本：RL训练频繁地进行模拟运行，涉及数十万次搜索请求，导致了巨大的API费用。

为此，阿里通义Lab提出了ZEROSEARCH，这是一个无需与真实搜索引擎交互即可激励LLMs搜索能力的强化学习框架。

ZEROSEARCH从轻量级的监督微调开始，将LLM转化为一个检索模块，使其能够根据查询生成相关和噪声文档。在强化学习训练过程中，采用基于课程式训练策略，逐步降低生成文档的质量，通过让模型逐渐适应更具挑战性的检索场景，逐步激发其推理能力。

训练模板：采用多轮交互模板，引导策略模型进行迭代推理和信息检索，直到得出最终答案。模板分为三个阶段：内部推理（<think>…</think>）、搜索查询（<search>…</search>）和答案提供（<answer>…</answer>）。
搜索模拟微调：通过收集与真实搜索引擎交互的轨迹，并对其进行标注（正确答案为正，错误答案为负），然后提取查询-文档对进行微调，使LLM能够生成有用或噪声文档。
课程式训练策略：在训练过程中，逐步增加生成文档的噪声概率，使策略模型逐渐适应更具挑战性的检索场景。
奖励设计：采用基于F1分数的奖励函数，平衡精确率和召回率，避免模型通过生成过长答案来增加正确答案的出现概率。
训练算法：兼容多种强化学习算法，如PPO、GRPO和Reinforce++，并通过损失掩码机制稳定训练过程。

实验使用了Qwen-2.5-7B、Qwen-2.5-3B和LLaMA-3.2-3B等模型家族，并通过SerpAPI与Google Web Search进行交互。训练时，将NQ和HotpotQA的训练集合并为统一数据集进行微调，并在七个数据集上评估性能。

更多信息：《动手设计AI Agents：CrewAI版》、《高级RAG之36技》、新技术实战：中文Lazy-GraphRAG/Manus+MCP/GRPO+Agent、大模型日报/月报、最新技术热点追踪解读（GPT4-o/数字人/MCP/Gemini 2.5 Pro）

https://arxiv.org/pdf/2505.04588ZeroSearch: Incentivize the Search Capability of LLMs without Searchinghttps://github.com/Alibaba-NLP/ZeroSearch

（文：PaperAgent）